近年来,基于 Transformer 的模型在医学图像分割领域备受关注,研究也在探索将其与 Unet 等成熟架构相结合的方法。然而,这些模型对计算的要求很高,导致当前大多数方法都侧重于分割 MRI 或 CT 图像的 2D 切片,这会限制模型学习深度轴上语义信息的能力,导致输出边缘不均匀。此外,医学图像数据集(尤其是用于脑肿瘤分割的数据集)规模较小,这对训练 Transformer 模型构成了挑战。为了解决这些问题,我们提出了 3D 医学轴向 Transformer (MAT),这是一种用于 3D 脑肿瘤分割的轻量级端到端模型,它采用轴向注意机制来降低计算需求,并通过-distillation 来提高在小数据集上的性能。结果表明,我们的方法比其他模型具有更少的参数和更简单的结构,实现了卓越的性能并产生了更清晰的输出边界,使其更适合临床应用。代码可在 https://github.com/AsukaDaisuki/MAT 上找到。关键词:深度学习、3D 脑肿瘤分割、3D Transformer、轴向注意力、自我蒸馏
卷积神经网络(CNNS),是最重要的深度学习网络,用于构想者视觉,已进行了一系列的发展和改进,以进行与图像相关的任务,例如对象识别,图像分类,语义细分等。然而,在自然语言处理(NLP)领域,基于注意力的新网络变速器对机器翻译产生了深远的影响,随后导致了基于注意的计算机视觉模型的繁荣。具有关注的最新模型已经显示出对计算机视觉任务的良好性能。例如,与当前的卷积神经网络的表现相比,自我注意力学会在不同位置的细分或单词之间的关系。受视觉转移(VIT)的启发,我们提出了一个简单的新型变压器体系结构模型,称为Flexible Transformer,该模型继承了基于注意力的架构的属性,并且对于任意大小的输入而言是灵活的。除了自我注意事项外,VIT中的输入没有预处理,例如调整大小或裁剪,但在不改变它们的情况下保持完整,这可能导致信息失真或信息丢失。在本文中,我们想介绍一个满足这些要求的新颖而简单的体系结构。与艺术品相比,我们的模型流程输入具有任意图像大小的输入,而没有任何预处理和预处理成本。此外,实验的结果表明,尽管资源有限,该模型仍可以以很高的精度提供良好的结果。,即使灵活变压器的结果不如视觉变压器的结果准确,但它们显示了具有可变大小图像的图像分类任务中具有高性能的模型的潜力。研究的重要性为处理深度学习任务中的原始图像打开了可能性。基于原始输入,如果对拟议的模型进行了优化并在大型数据集上进行了进一步培训,则可以获得良好准确性的可靠结果。
• IEC 60076-1:电力变压器 - 第 1 部分:总则; • IEC 60076-3:电力变压器 - 第 3 部分:绝缘水平、介电试验和空气中的外部间隙; • IEC 60076-5:电力变压器 - 第 5 部分:承受短路能力; • IEC 60076-6:电力变压器 - 第 6 部分:电抗器; • IEC 60076-8:电力变压器 - 第 8 部分:应用指南; • IEC 60076-10-1:电力变压器 - 第 10-1 部分:声级测定 - 应用指南; • IEC 60076-11:电力变压器 - 第 11 部分:干式变压器; • IEC 60076-12:电力变压器 - 第 12 部分:干式电力变压器的负载指南; • IEC TS 60076-19:电力变压器 - 第 19 部分:电力变压器和电抗器损耗测量不确定度确定规则; • IEC TR 60616:电力变压器的端子和分接标记; • IEC 61378-1:换流变压器 - 第 1 部分:工业用变压器; • IEC 61378-3:换流变压器 - 第 3 部分:应用指南; • IEC 62032:移相变压器的应用、规范和测试指南; • IEC 60529:外壳防护等级(IP 代码); • IEC 60068-3-3:环境试验 - 第 3-3 部分:指南 - 设备抗震试验方法; • EN 50588-1:2015:中型功率变压器 50 Hz,设备最高电压不超过 36 kV - 第 1 部分:一般要求;
我们的油冷变压器整流器系列专门用于码头、管道和油库等钢结构的阴极保护。它们的设计符合最严格的行业规范,可在恶劣的环境条件下运行,在这些条件下,操作员的持续安全性和可靠性至关重要。
聊天生成的预训练的变压器(CHATGPT)是一种人工智能技术,它与人类进行对话,能够以微叙事的形式生成配方,这些形式可以在虚拟空间中成为一种学习工具。这项研究旨在了解如何将ChatGpt用于教师培训中,以作为教师培训,以通过微叙事来促进虚拟空间中的学习。,我们使用动作研究方法对巴西州立大学的研究生课程的巴西学生进行了定性研究。该研究由五个阶段组成:诊断,其中涉及一份混合问卷,以评估有关使用Chatgpt生成微叙事的先验知识;行动计划,涉及制定培训计划;该动作的实施,其中包括练习使用Chatgpt来生成微叙事并在虚拟空间中的教学角度与它们合作;评估,其中涉及共享微叙事并就它们进行循环讨论;和学习,其中涉及记录微叙事的教育可能性和局限性。使用Iramuteq处理的结果表明,有关Chatgpt的先验知识有限,微型叙事对于教育工作的重要性以及通过有意识利用来在虚拟空间中学习的富有成果的教学用途。
摘要:针对传统检测方法在IC外观缺陷检测中存在的识别率不高、识别速度慢的问题,提出一种IC外观缺陷检测算法IH-ViT。提出的模型利用CNN和ViT各自的优势,从局部和全局两个角度获取图像特征,最终将两种特征融合进行决策判断缺陷类别,从而获得更高的IC缺陷识别准确率。针对IC外观缺陷主要体现在细节上的差异,传统算法难以识别的问题,对传统ViT进行了改进,在batch内部进行了额外的卷积操作。针对数据集来源多样导致的样本信息不平衡问题,采用双通道图像分割技术,进一步提高IC外观缺陷的识别准确率。最后经过测试,提出的混合IH-ViT模型取得了72.51%的准确率,比单独的ResNet50和ViT模型分别提高了2.8%和6.06%。所提算法可以快速准确地检测出IC外观缺陷状况,有效提高IC封测企业的生产效率。
本文提供的信息如有变更,恕不另行通知。Signify 不对本文所含信息的准确性或完整性做出任何陈述或保证,并且不对任何依赖此信息而采取的行动承担任何责任。除非 Signify 另有约定,否则本文档中提供的信息不构成任何商业要约,也不构成任何报价或合同的一部分。
关于我们 Virginia Transformer – Georgia Transformer 是一家总部位于美国的公司,已营业近 50 年,在北美拥有 4 家工厂,设计和制造全系列电力变压器,从 500 kVA 到 500 MVA,最高可达 500 kV 级。我们的价值主张:我们承诺提供最“有弹性”的电力变压器,设计使用寿命为 60 年,可满足客户 24/7/365 的弹性电力需求。我们的价值主张基于三个关键的流程理念: 由拥有 300 多年电气设计经验的专业工程师使用专有数字设计工具开发的稳健设计,通过现成的数字仿真工具库进行验证,并通过高效且经过验证的流程执行; 基于 3T 支柱的完美执行:培训、技术和变压器制造流程; 使用 VCM 技术对变压器进行持续监控,并提供 24/7 全方位服务机构支持; 弗吉尼亚 - 佐治亚变压器公司以成为少数族裔企业而自豪 - 配备了较新的技术、最先进的设备、高素质和经验丰富的工程师以及全面改进的流程 - 这使我们能够提供最可靠的产品和最短的交货时间。 行业。
该项目的目的是在过载情况下自动分配变压器的负载,保护变压器免受损坏并提供不间断电源。由于过载,电流过大,绕组过热,可能烧毁,因此效率会下降。因此,通过微控制器并联另一个相同额定值的变压器,通过分配负载来保护变压器。微控制器将第一个变压器上的负载与参考值进行比较。当负载超过参考值时,第二个变压器将共享额外的负载。因此,两个变压器高效工作并防止损坏。在这个项目中,三个模块用于控制负载电流。第一个模块是传感单元,用于感测负载电流,第二个模块是控制单元。最后一个模块是微控制器单元,它将读取来自传感器模块的模拟信号并执行一些计算,最后向继电器发出控制信号。该项目的优点是保护变压器、不间断电源、短路保护和维护目的。
• 导体材料 :采用优质高导电率铜(或铝)线。 • 绕线 :采用法国FRANCE TRANSFO独特绕线技术,线圈内电压梯度及局部放电(10pc以下)增加线圈寿命及耐压能力。 • 树脂 :在世界顶级F级树脂中添加SiO 2 ,增加树脂导热性,降低热应力。 • 树脂增强 :线圈最外层及最内层采用玻璃纤维网,不但可保持树脂厚度,更可增加线圈机构短路吸收能力。 • 浇铸 :采用意大利全自动树脂浇铸系统,全程严密监控,确保每一次真空浇铸的品质。